آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,208 |
| تعداد مقالات | 8,740 |
| تعداد مشاهده مقاله | 7,270,508 |
| تعداد دریافت فایل اصل مقاله | 4,252,963 |
روش ترکیبی تشخیص ناهنجاری با استفاده از تشخیص انجمن در گراف و انتخاب ویژگی | |
| پدافند الکترونیکی و سایبری | |
| مقاله 2، دوره 8، شماره 1 - شماره پیاپی 29، خرداد 1399، صفحه 17-24 اصل مقاله (1.07 M) | |
| نوع مقاله: مقاله پژوهشی | |
| نویسندگان | |
| میثم میرزایی1؛ امین اله مه آبادی* 2 | |
| 1دانشگاه جامع امام حسین (ع) | |
| 2دانشگاه شاهد | |
| تاریخ دریافت: 14 اسفند 1397، تاریخ بازنگری: 28 فروردین 1398، تاریخ پذیرش: 28 خرداد 1398 | |
| چکیده | |
| تشخیص ناهنجاری یک موضوع مهم در بسیاری از حوزه‌‌های کاربردی شامل امنیت، سلامت و تشخیص نفوذ در شبکههای اجتماعی است. بیشتر روش‌‌های توسعه داده شده، فقط از اطلاعات ساختاری گراف ارتباطی یا اطلاعات محتوایی گره‌‌ها برای تشخیص ناهنجاری استفاده می‌‌کنند. ساختار یکپارچه بسیاری از شبکه‌‌ها از قبیل شبکههای اجتماعی این روش‌‌ها را با محدودیت مواجه ساخته است و باعث توسعه روش‌‌های ترکیبی شده است. در این مقاله، روش ترکیبی پیشنهادی تشخیص ناهنجاری مبتنی بر تشخیص انجمن در گراف و انتخاب ویژگی ارائه شده است که از ناهنجاری به‌عنوان اعضای ناسازگار در انجمن‌‌ها بهره برده و با استفاده از الگوریتم مبتنی بر تشخیص و ترکیب انجمن‌‌های مشابه، شناسایی گره‌‌های ناهنجار را انجام می‌‌دهد. نتایج آزمایش‌های تجربی روش پیشنهادی بر روی دو مجموعه از داده‌‌های دارای ناهنجاری واقعی، نشان‌دهنده قدرت تشخیص دقیق گره‌‌های ناهنجار و قابل مقایسه با آخرین روش‌‌های علمی است. | |
| کلیدواژه‌ها | |
| تشخیص ناهنجاری؛ شبکههای اجتماعی؛ داده کاوی؛ گراف کاوی | |
| عنوان مقاله [English] | |
| Hybrid Anomaly detection method using community detection in graph and feature selection | |
| نویسندگان [English] | |
| M. Mirzaee1؛ A. Mahabadi2 | |
| 1Imam Hossien university | |
| 2shahed university | |
| چکیده [English] | |
| Anomaly detection is an important issue in a wide range of applications, such as security, health and intrusion detection in social networks. Most of the developed methods only use graph structural or content information to detect anomalies. Due to the integrated structure of many networks, such as social networks, applying these methods faces limitations and this has led to the development of hybrid methods. In this paper, a proposed hybrid method for anomaly detection is presented based on community detection in graph and feature selection which exploits anomalies as incompatible members in communities and uses an algorithm based on the detection and combination of similar communities. The experimental results of the proposed method on two datasets with real anomalies demonstrate its capability in the detection of anomalous nodes which is comparable to the latest scientific methods. | |
| کلیدواژه‌ها [English] | |
| Anomaly detection, Social networks, Data mining, Graph mining | |
| مراجع | |
|
F. Y. Edgeworth, “On discordant observations,” Philosophical Magazine, vol. 23, pp. 364-375, 1887.##
|
|
|
D. Toshniwal and S. Yadav, “Adaptive Outlier Detection in Streaming Time Series,” In Proceedings of International Conference on Asia Agriculture and Animal, ICAAA, 2011.##
|
|
|
V. Chandola, A. Banerjee, and V. Kumar, “Anomaly detection: A survey,” ACM Computing Surveys (CSUR), vol. 41, pp. 1-58, 2009.##
|
|
|
V. Hodge and Austin, “A survey of outlier detection methodologies,” Intell, vol, 22, pp. 85–126, 2004.##
|
|
|
L. Akoglu, H. Tong, and D. Koutra, “Graph based anomaly detection and description: a survey,” Data Mining and Knowledge Discovery, vol. 29, pp. 626-688, 2014.##
|
|
|
K. Beyer, J. Goldstien, R. Ramakrishnan, and U. Shaft, “When Is "Nearest Neighbor" Meaningful?,” International Conference on Database Theory, pp. 217-235, 1999.##
|
|
|
J. Gao, F. Liang, W. Fan, C. Wang, and Y. Sun, “On community outliers and their efficient detection in information networks,” in KDD, 2010.##
|
|
|
J. Li, H. Dani, X. Hu, and H. Liu, “Radar: Residual Analysis for Anomaly Detection in Attributed Networks,” In Internationl Joint Conference on Artificial Intelligence, pp. 2152-2158, 2017.##
|
|
|
M. Davis, W. Liu, P. Miller, and G. Redpath, “Detecting Anomalies in Graphs with Numeric Labels,” In Proceedings of the 20th ACM International Conference on Information and Knowledge Management, pp. 1197-1202, 2011.##
|
|
|
T. Ji, J. Gao, and D. Yang, “A Scalable Algorithm for Detecting Community Outliers in Social Networks,” In International Conference on Web-Age Information Management, pp. 434-445, 2012.##
|
|
|
W. Yang, G. W. Shen, W. Wang, L. Y. Gong, and M. Yu, “Anomaly detection in microblogging via co-clustering,” Journal of Computer Science and Technology, pp. 1097–1108, 2015.##
|
|
|
C. C. Noble and D. J. Cook, “Graph-based anomaly detection,” In Proceedings of the ninth ACM SIGKDD International Conference on Knowledge Discovery and Data mining, pp. 631-636, 2003.##
|
|
|
P. I. Sánchez, E. Müller, F. Laforet, and F. Keller, “Statistical Selection of Congruent Subspaces for Mining Attributed Graphs,” In IEEE 13th International Conference on Data Mining, pp. 647–656, 2013.##
|
|
|
E. Müller, P. I. Sánchez, Y. Mülle, and K. Böhm, “Ranking outlier nodes in subspaces of attributed graphs,” In IEEE 29th International Conference on Data Engineering Workshops (ICDEW), 2013.##
|
|
|
P. I. Sánchez, E. Müller, O. Irmler, and K. Böhm, “Local context selection for outlier ranking in graphs with multiple numeric node attributes,” In Proceedings of the 26th International Conference on Scientific and Statistical, 2014.##
|
|
|
M. A. Prado-Romero and A. Gago-Alonso, “Community Feature Selection for Anomaly Detection in Attributed Graphs,” In Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications, pp. 109-116, 2017.##
|
|
|
V. D. Blondel, J. Guillaume, R. Lambiotte, and Lef, “Fast unfolding of communities in large networks,” 2008.##
|
|
|
X. He, D. Cai, and P. Niyogi, “Laplacian Score for Feature Selection,” In Proceedings of the 18th International Conference on Neural Information Processing and Statistical, pp. 507-514, 2005.##
|
|
|
X. Xu, N. Yuruk, Z. Feng, and T. A. Schweiger, “Scan: a structural clustering algorithm for networks,” In Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 824-833, 2007.##
|
|
|
M. Breunig, H. Kriegel, R. Ng, J. Sander, and et al, “LOF: identifying density-based local outliers,” In Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, pp. 93–104, 2000.##
|
|
|
B. Perozzi and L. Akoglu, “Scalable Anomaly Ranking of Attributed Neighborhoods,” In SIAM International Conference on Data Mining, 2016.##
|
|
آمار
تعداد مشاهده مقاله: 787
تعداد دریافت فایل اصل مقاله: 485